استفاده از مدل ترکیبی برای بهبود عملکرد روش‌های ANN، ANFIS و SVR در تخمین پارامترهای BOD و COD پساب تصفیه‌خانه فاضلاب

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

چکیده

دستیابی به طراحی دقیق و راهبری صحیح تصفیه‌خانه‌های فاضلاب از جمله چالش‌های مهم در صنعت آب و فاضلاب به شمار می‌آید. مدل‌های عددی به دلیل نیاز به داده‌های فراوان، زمان‌بر بوده و صرفه اقتصادی ندارند. بنابراین در این مطالعه، عملکرد تصفیه‌خانه فاضلاب تبریز با استفاده از مدل‌های جعبه‌سیاه هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN)، سیستم استنتاج تطبیقی عصبی-فازی (ANFIS)، رگرسیون بردارپشتیبان (SVR) و مدل جعبه‌سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک (ARIMA) براساس داده‌های روزانه سال‌های 1395-1396 مورد بررسی قرارگرفته‌است. جهت تعیین پارامترهای ورودی از معیار ضریب همبستگی (CC) استفاده شد که پارامترهای اکسیژن مورد نیاز بیولوژیکی (BOD)، اکسیژن مورد نیاز شیمیایی (COD) ، مواد جامد معلق (TSS)، pH ورودی به تصفیه‌خانه در زمان t و BOD وCOD پساب خروجی از تصفیه‌خانه در یک گام زمانی قبل (t-1) با بیشترین مقادیر CC به عنوان ورودی انتخاب گردیدند. BOD وCOD پساب خروجی نیز به عنوان پارامترهای خروجی مدل‌های هوش مصنوعی در نظرگرفته شده‌اند. همچنین برای بهبود عملکرد مدل‌سازی، روش ترکیب مدل با استفاده از خروجی مدل‌های منفرد مذکور، به عنوان یک روش پس‌پردازش، به کارگرفته‌ شده‌است. ترکیب مدل به سه روش میانگین‌گیری خطی ساده، میانگین‌گیری خطی وزن‌دار و میانگین‌گیری غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته‌است. نتایج حاکی از آن است که به‌کارگیری مدل‌های غیرخطی بهتر از مدل خطی ARIMA بوده و مدل SVR بالاترین مقدار ضریب تبیین (DC) را ارائه کرده‌است. همچنین استفاده از مدل‌های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل‌سازی تا 15% در مرحله صحت‌سنجی می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Using ensemble model to improve ANN, ANFIS, SVR models performance in predicting wastewater treatment effluent BOD and COD parameters

نویسندگان [English]

  • Parisa Asghari
  • Vahid Nourani
  • Elnaz Sharghi
  • nazanin behfar
Department of Water Resources Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Considering the complexity of the wastewater treating processes, the use of physical-based models requires more time and cost. Therefore, in this study, black box artificial intelligence models (AI) including feed forward neural network (FFNN), adoptive neuro-fuzzy inference system (ANFIS), support vector regression (SVR) and autoregressive integrated moving average linear model (ARIMA) were used to predict effluent biological oxygen demand (BODeff) and chemical oxygen demand (CODeff) of Tabriz wastewater treatment plant (WWTP) using the daily data collected from 2016 to 2018. The input data set included daily influent BOD, COD, total suspended solids (TSS), pH at the current time (t) and BODeff and CODeff at the previous time (t-1) and the output data included BODeff and CODeff at t. The results of the single models indicated that SVR model provides better results than the other single models. To improve the prediction of BODeff and CODeff parameters, the data post-processing ensemble method was also used. In the ensemble modeling, simple linear averaging, weighted linear averaging and neural network ensemble methods were applied to enhance the performance of the single AI models. The results indicated that using non-linear models gave better results than ARIMA linear model and SVR model gave the highest determination coefficient (DC) comparing other models. Also, the use of hybrid models, especially nonlinear ensemble models with artificial neural networks, increased the modeling performance up to 15% in the validation step.

کلیدواژه‌ها [English]

  • Soft Computing
  • Artificial Intelligence
  • ARIMA Linear Model
  • Ensemble
  • Wastewater treatment plant